人工智能在放射治疗中的若干应用研究

摘要

放射治疗是恶性肿瘤的重要治疗手段之一，有超过70％的恶性肿瘤患者需要接受放射治疗。放射治疗的基本目标是实现放射治疗增益比的最大化，即最大限度地将放射线剂量集中到计划靶区(Planning Target Volume，PTV)内，在杀灭肿瘤细胞的同时，保护周围正常组织和危及器官（Organs at Risk，OARs）少受或免受不必要的照射。
　　放射治疗的基本流程如下：(1)通过CT、MR等医学成像仪器获取患者图像，由医生手动勾画靶区和OARs的轮廓;(2)确定放射治疗的处方剂量，通过治疗计划系统（Treatment Planning System，TPS）制定放射治疗计划;(3)治疗实施前获取病人摆位图像，对病人进行摆位校正。(4)对病人进行治疗;如果治疗部位受呼吸运动影响，治疗过程中还需要对肿瘤的运动进行控制或进行实时跟踪预测;(5)放疗后明确肿瘤控制情况、评估正常组织的放性射损伤，以配合其他治疗。
　　临床放射治疗技术日趋成熟，但是仍存在诸多具有挑战性的难题亟待解决。
　　首先，靶区和OARs需要由经验丰富的医生手动勾画，而人工勾画效率较低，极度依赖勾画人员的临床经验，且在不同的病人之间存在较大的差异。因此目前临床上更青睐快速自动分割算法来实现靶区和OARs的勾画。但是目前自动分割算法的准确度还难以满足临床要求。
　　其次，呼吸运动导致的PTV和OARs移位可能导致计划所设定的剂量无法准确给予到靶区，或OARs区域受到过量照射，严重影响放射治疗的疗效，因此呼吸运动的准确监控对胸腹部肿瘤的放射治疗至关重要。
　　此外，放射治疗后，肿瘤区域的控制情况，OARs所受到的放射损伤也是临床关注的重点。实现肿瘤和OARs的受照剂量的精确累加，预测肿瘤局部控制率、放疗毒性等，对提高放射治疗疗效和病人生存质量均具有重要的临床意义。
　　近年来，人工智能尤其是机器学习，深度学习等方法在图像分类、计算机视觉等领域取得了巨大的成果。机器学习的经典方法如主成分分析、支持向量机、决策树、随机森林等日趋成熟。以卷积神经网络为代表的深度学习方法也展现了强大的学习能力，在图像分类、分割领域发展迅速。大量研究表面人工智能在医学领域具有巨大潜力，尤其是在疾病诊断、病灶识别和分割等方面。
　　本文针对临床需求，运用机器学习或深度学习的方法，开展了OARs的自动勾画、呼吸运动的监控和跟踪，以及放疗毒性预测三个方面的研究。
　　一、基于深度学习的OARs的自动分割研究。传统的自动分割算法难以胜任OARs的分割，尤其是对于图像比度较低且体积较小的目标，比如视交叉神经。本文针对脑肿瘤放射治疗中左右眼球、脑干、左右视神经及视交叉神经共六种OARs的分割进行研究。考虑到这些OARs具有较为稳定的相对位置关系，提出了一种基于3D UNet的递归分割框架，首先分割出对比度较高的OARs，再基于OARs之间的相对位置关系，提取覆盖其他OARs的感兴趣区域(region of interest，ROI)做进一步的分割。对于每个OAR的分割，首先在整幅图像中对目标OAR进行定位并提取图像特征，再在定位的OAR所在的ROI训练模型提取图像特征，最后用一个ensemble网络联合所提取的图像特征实现最终分割的。本文对80位脑肿瘤病人的MR图像上的六种OARs分别进行分割，其分割准确度的平均DC为左眼球94.9％，右眼球94.9％、脑干90.3％/，左视神经79.6％，右视神经76.9％和视交叉神经68.3％。
　　结果表面提出的递归分割框架不仅提高了分割的精确度和稳定性，还能有效减少模型训练的时间和复杂度。
　　二、基于深度学习的呼吸监控研究和基于机器学习的呼吸运动跟踪的研究。第一，基于深度学习的乳腺癌DIBH放射治疗中ROI的自动选择研究。首先采用深度学习和迁移学习的方法对胸腹部表面上不同的ROI的配准误差(registration error，RE)进行预测，并根据预测的RE对ROI进行自动选择，以实现准确呼吸状态的监控。基于40位乳腺癌病人的验证结果表明本研究方法选择的ROI的平移和旋转的RE预测的RMSE/MAE均小于0.6mm/0.5mm，0.45。/0.35。，较高的预测准确度验证了基于深度学习实现ROI选择的可能性。第二，基于主成分分析(principle component analysis，PCA)的肺肿瘤放射治疗内部器官跟踪研究。该方法是基于病人体表及内部器官的运动变形场，根据PCA提取胸腹部外表面变形场(deformation vector fields，DVFs)与内部器官表面的DVFs的关联函数，建立内外运动关联模型。然后，计算表面DVFs即可实现对PTV和OARs的运动和形变的跟踪。本文使用4D NCAT体模数据及五位肺肿瘤病人的4DCT图像对模型进行验证，该模型在4D NCAT体模数据和临床病人数据中分次内/分次间肿瘤的跟踪结果的平均DC分别为0.96/0.95，0.90/0.89，肺部的跟踪结果的平均DC可达0.97。
　　三、应用于宫颈癌放疗后直肠毒性预测的表面剂量精确累加算法研究。由于放射治疗毒性与治疗所受的累积剂量密切相关，实现直肠的精确配准，为其在放射治疗中的表面受照剂量精确累加提供变形场，对于实现直肠放疗毒性的预测具有重要意义。以宫颈癌病人的直肠和膀胱为研究对象，基于人体组织在变形过程中仍需保持其局部结构基本不变的原理，提出了一种基于局部拓扑结构保持的TPS-RPM精确点配准方法（TPS-RPM-LTP算法）。基于TPS-RPM精确点配准方法，本研究团队实现了直肠壁的受照剂量精确累加，并利用机器学习和深度学习模型实现了直肠放疗毒性的预测，验证了基于精确累加剂量和机器学习或深度学习实现OARs毒性预测的可行性。
　　在本文中，对UNet、VGG-16与迁移学习、主成分分析、支持向量机等多种人工智能方法进行了研究，并将其应用于脑肿瘤放射治疗中的OARs自动勾画、乳腺癌DIBH放射治疗运动监控的ROI选择、肺肿瘤放射治疗中PTV和OARs运动跟踪和宫颈癌放射治疗中直肠放疗毒性的预测中。人工智能在上述应用研究中的优秀表现，证明了人工智能的强大能力，及其在放射治疗领域的应用前景的广泛。

目录

摘要

第一章 绪论

1．1 课题研究背景及意义

1．2 放射治疗简介

1．2．1 精确放射治疗

1．2．2 精确放疗面临的挑战

1．3 人工智能简介

1．3．1 机器学习

1．3．2 深度学习

1．4 人工智能在放射治疗中的应用

1．4．1 人工智能在OARs分割中的应用

1．4．2 人工智能在呼吸运动监控中的应用

1．4．3 人工智能在放疗毒性预测中的应用

1．5 主要研究工作

第二章 基于深度学习的脑肿瘤放疗OARs的自动分割研究

2．1 引言

2．2 方法和材料

2．2．1 迭代分割框架

2．2．2 EnUNet

2．2．3 OARs分割

2．2．4 实验数据

2．2．5 方法实现

2．2．6 评价标准

2．3 结果

2．3．1 OARs定位结果

2．3．2 分割结果

2．3．3 分割结果可视化比较

2．3．4 分割效率

2．4 小结与讨论

第三章 基于深度学习的乳腺癌放疗运动监控的ROI自动选择研究

3．1 引言

3．2 方法和材料

3．2．1 病人表面的特征表示

3．2．2 病人表面的ROI提取

3．2．3 RE预测模型

3．2．4 ROI选择

3．2．5 验证实验

3．2．6 评价指标

3．3 实验结果

3．3．1 模型预测准确度

3．3．2 ROI的自动选择

3．4 小结与讨论

第四章 基于主成分分析的肺肿瘤放疗内部器官运动跟踪研究

4．1 引言

4．2 方法和材料

4．2．1 运动跟踪模型

4．2．2 模拟体模数据

4．2．3 临床病人数据

4．2．4 定量评价指标

4．3 实验结果

4．3．1 模拟体模数据

4．3．2 临床病人数据

4．3．3 算法效率

4．4 小结

第五章 应用于直肠放疗毒性预测的表面剂量精确累加算法研究

5．1 引言

5．2 方法和材料

5．2．1 精确点配准

5．2．2 验证数据

5．2．3 定量评价指标

5．3 实验结果

5．3．1 膀胱的变形配准

5．3．2 直肠的变形配准

5．3．3 表面剂量精确累加

5．3．4 表面剂量精确累加在直肠毒性预测中的应用

5．4 小结

第六章 总结与展望

6．1 研究成果与总结

6．2 未来工作展望

参考文献

攻读博士期间的研究成果

致谢

声明